Aller au contenu principal

« Ne fais pas ça », « TRÈS IMPORTANT », « Peux-tu… ? » : ce que la preuve dit de la négation, des majuscules et des questions dans les prompts

Presque aucune étude ne compare deux formulations d'une même consigne dans un vrai prompt d'agent. Nous avons lu les guides d'éditeurs 2026, les articles de recherche et les retours de terrain sur la négation, les majuscules, la répétition et la forme interrogative, et n'avons gardé que ce qu'ils énoncent : où la preuve est solide, où elle est mince, et quels chiffres qui circulent nous avons écartés.

  • 14 min de lecture
  • 23 sources
  • 3 schémas
  • Paul-Antoine Tual
Read in English
Sommaire

La plupart des conseils sur la rédaction d’un prompt s’appuient sur la documentation des éditeurs et sur quelques petits tests. Presque aucun ne compare deux formulations d’une même consigne dans un vrai prompt d’agent. Nous avons lu les guides d’éditeurs 2026, les articles arXiv et les retours de terrain que nous avons pu ouvrir le 6 novembre 2026, et n’avons gardé que ce qu’ils énoncent.

Chaque source est étiquetée : documentation d’éditeur (non mesurée), mesure (une étude avec chiffres et limites) ou retour de terrain (billet de blog ou fil de forum). Le résultat est un ensemble de tendances plutôt que de règles.

  • Négation : les règles d’évitement courtes tiennent, mais les interdictions larges sont sur-appliquées, et nommer la chose interdite peut la maintenir active.
  • Majuscules et répétition : une formulation criarde fait sur-déclencher les modèles Claude récents, et la seule répétition dont le bénéfice est mesuré est un court rappel d’une contrainte de format en fin de prompt.
  • Questions : l’impératif obtient une action là où la question peut obtenir un conseil, mais rien ne montre que la forme interrogative fasse poser des questions en retour à un agent.

Négation : les règles d’évitement simples tiennent, les interdictions larges ratent leur cible

Une interdiction n’est pas une chose unique : les règles courtes qui proscrivent un mot ou un signe de ponctuation sont bien tenues, alors que les interdictions larges, celles qui visent une façon de raisonner et celles qui nomment l’élément interdit tendent à se retourner contre leur auteur, et les éditeurs qui donnent un avis préfèrent la forme positive sans l’avoir mesuré.

  • Le guide d’Anthropic propose une consigne claire : « Dis à Claude ce qu’il doit faire plutôt que ce qu’il ne doit pas faire ». L’exemple montre qu’il vaut mieux demander une prose fluide que d’écrire « N’utilise pas de markdown dans ta réponse » [1]. Cette page n’a pas de date et le conseil ne s’appuie sur aucune donnée chiffrée.
  • Citer un mot interdit peut déclencher le problème. Dans une étude de 40 000 échantillons, 87,5 % des violations d’une contrainte négative venaient de ce mécanisme. Nommer le mot interdit activait sa représentation au lieu de la supprimer [2]. Le préprint date de janvier 2026, hors de notre fenêtre de six mois, et nous le citons pour le mécanisme.
  • Les questions avec une négation posent problème. Sur six modèles ouverts, la précision sur les questions comportant une négation allait de 45,2 à 57,6 %. Sur les versions positives, elle atteignait 91,8 à 96,5 %. Désactiver certains modules d’attention des couches tardives relevait la précision sur les questions niées, d’environ 17 points pour Llama-3.1-8B [3]. Ce test concerne la négation explicite dans des questions, pas une interdiction dans un prompt.
  • La polarité change les réponses éthiques. Sur 14 dilemmes moraux, de petits modèles ouverts de 1 à 4 milliards de paramètres approuvaient une action 24 % du temps quand elle était formulée de façon affirmative. Cette approbation montait à 100 % quand elle était niée. L’écart allait jusqu’à 76 points sur 16 modèles. L’accord entre modèles passait de 73 % à 59 % sous simple négation [4]. Cela mesure la sensibilité à la polarité dans des choix éthiques, pas l’effet d’une règle de prompt.
  • Les règles d’évitement tiennent sous charge. Avec trois modèles chargés d’une tâche concurrente, les contraintes d’évitement comme l’absence de virgules ou de mots interdits restaient à 100 % ou presque. Les contraintes placées en fin de réponse se dégradaient jusqu’à 50 % [5]. L’échantillon est de six éléments par type de contrainte : il est indicatif.
  • Les interdictions s’effacent dans les longues conversations. Pour Mistral Large 3, la conformité aux règles d’interdiction passait de 73 % au tour 5 à 33 % au tour 16. Les règles qui imposent une action restaient à 100 %. Ce résultat porte sur 4 416 essais et 12 modèles (voir Figure 1) [6]. Cela ressemble à une tension avec le résultat précédent, mais la pression diffère : une tâche concurrente dans un cas, la longueur de la conversation dans l’autre. Le préprint date du 22 avril 2026, un peu hors de notre fenêtre, et c’est la seule mesure d’érosion d’une règle sur un long échange que nous ayons trouvée.
  • Jugements et garde-fous : dans un test de terrain avec trois extraits de code, un faux problème ressemblant à un vrai était signalé dans 2 exemples sur 3 sans consigne. C’était aussi le cas dans 2 sur 3 avec une liste explicite de ce qu’il ne faut pas signaler. Avec un critère d’inclusion positif, le score était de 0 sur 3 [7]. Sur un prompt de revue de code en production, la formulation négative et la formulation positive ont trouvé pratiquement les mêmes bugs. Le modèle n’est pas nommé et l’échantillon est minuscule.
Conformité aux règles d'interdiction et aux règles d'action au fil d'une longue conversation Deux lignes pour Mistral Large 3 entre le tour 5 et le tour 16, conformité en pourcentage. Les règles d'interdiction passent de 73 à 33. Les règles qui imposent une action restent à 100. Deux points seulement sont rapportés par série : les droites sont un repère. Les interdictions s'érodent dans une longue conversation, pas les règles d'action Conformité par tour de conversation, Mistral Large 3, en % 0 25 50 75 100 tour 5 tour 16 100 % 100 % 73 % 33 % Règles qui imposent une action Règles d'interdiction (ne pas faire) Deux points rapportés par série ; les droites sont un repère, pas une courbe ajustée.
Figure 1. Pour Mistral Large 3, la conformité aux règles d'interdiction est passée de 73 % à 33 % entre le tour 5 et le tour 16, alors que les règles qui imposent une action tenaient à 100 %. Source : Gamage, arXiv:2604.20911, 22 avril 2026, résumé (4 416 essais, 12 modèles).

Les interdictions étroites tiennent ; les larges ratent leur cible.

Majuscules et répétition : les règles criardes sur-déclenchent, un rappel final aide

Une formulation criarde fait sur-déclencher les modèles récents, répéter tout un prompt aide surtout les modèles qui ne raisonnent pas, et la seule répétition dont le bénéfice est mesuré est un court rappel d’une contrainte de format à la fin du prompt.

  • Anthropic : les modèles Claude Opus 4.5 et 4.6 répondent davantage au prompt système. Une règle conçue pour corriger un sous-déclenchement peut désormais créer un sur-déclenchement. Le guide préconise d’échanger « CRITIQUE : tu DOIS utiliser cet outil quand… » pour « Utilise cet outil quand… » [1].
  • OpenAI : le guide GPT-5.6 recommande « Garde la politique en un seul endroit et énonce chaque règle une seule fois ». Il met en garde contre la répétition de consignes telles que « demande d’abord », « ne modifie pas » ou « attends l’approbation », qui génèrent des validations inutiles. Il réserve TOUJOURS, JAMAIS et doit aux vrais invariants [8].
  • L’impact des majuscules : une étude portant sur 13 modèles montre que capitaliser un mot dans un texte minuscule focalise l’attention. La précision sur les faits augmente de 8,95 points maximum avec les meilleurs schémas, mais seulement de 1,85 point sur Qwen2.5-7B-Instruct [9]. La casse alternée a réduit les scores de 13,96 points sur LLaMA-3.1-8B-Instruct. Les modèles raisonnants varient peu, moins de 0,5 point (voir Figure 2). Ces tests évaluent des questions factuelles, pas le comportement. Ces résultats n’infirment donc pas les observations d’Anthropic.
  • La répétition du prompt : répéter l’entrée a amélioré les résultats dans 47 cas sur 70 combinaisons modèle-benchmark, sans perte lorsque le modèle ne raisonne pas. Avec un raisonnement pas à pas, l’effet est neutre à légèrement positif (5 gains, 1 perte, 22 égalités sur 28) [10]. Les essais ont porté sur Gemini 2.0 Flash, GPT-4o, Claude 3.7 Sonnet et DeepSeek V3 en février et mars 2025. Le préprint date de décembre 2025 : nous le considérons comme hors de notre fenêtre.
  • Le rappel final : associer un cadrage explicite à un rappel en fin de prompt restaure la conformité entre 90 et 100 % dans de nombreux cas. Les gains moyens atteignent 17,7 points pour o4-mini, 16,9 pour DeepSeek-V3.1 et 12,7 pour Llama-3.3-70B [5]. Ce format modifie plusieurs éléments simultanément. On ne peut donc pas isoler l’effet du rappel seul.
  • Les fichiers d’instructions : lors de 1 650 sessions Claude Code environ et sur deux dépôts TypeScript, la taille du fichier n’a pas d’effet mesurable (avec un soutien statistique à l’absence d’effet). La position et la structure n’avaient pas non plus d’effet détectable, mais sans preuve d’absence. Les chances de conformité diminuent d’environ 5,6 % par fonction supplémentaire générée en session, un point repéré a posteriori [11]. L’emphase n’était pas un facteur variable. Une autre étude indique que les fichiers de contexte n’améliorent pas globalement le taux de réussite et augmentent le coût d’inférence de plus de 20 % en moyenne [12].
Effet des majuscules sur la précision, en points Barres horizontales autour d'une ligne zéro. Mot cible en majuscules, meilleur schéma : plus 8,95 points. Mot cible en majuscules sur Qwen2.5-7B-Instruct : plus 1,85. Casse alternée sur LLaMA-3.1-8B-Instruct : moins 13,96. Modèles qui raisonnent : typiquement moins de 0,5 point dans un sens ou dans l'autre. Les majuscules peuvent aider ou nuire, les modèles qui raisonnent réagissent à peine Variation de la précision, en points, sur des questions à réponse factuelle -15 -10 -5 0 5 10 Mot cible en majuscules, meilleur schéma (jusqu'à) +8,95 Mot cible en majuscules, Qwen2.5-7B-Instruct +1,85 Casse alternée, pire modèle (LLaMA-3.1-8B-Instruct) -13,96 Modèles qui raisonnent, variation typique moins de 0,5 dans les deux sens Tâches : MMLU-Pro, ARC-Challenge, SQuADv2. Questions factuelles, pas consignes de comportement.
Figure 2. Mettre le mot cible en majuscules a augmenté la précision jusqu'à 8,95 points, la casse alternée a coûté jusqu'à 13,96 points, et les modèles qui raisonnent ont à peine bougé. Source : Dillitzer et al., arXiv:2608.03711, 4 août 2026, 13 modèles.

Répétez une contrainte une fois, à la fin, et rien de plus.

Question ou ordre : l’impératif obtient l’action, mais rien ne montre que la question fasse poser des questions à l’agent

Anthropic et OpenAI montrent que l’ordre direct déclenche une action. La question, elle, ne mène souvent qu’à un avis. L’hypothèse selon laquelle une forme interrogative amène l’agent à poser des questions en retour manque de preuves. Les interruptions que nous avons trouvées documentées proviennent d’autres facteurs.

  • Documenté : Anthropic met en regard « Peux-tu suggérer des modifications pour améliorer cette fonction ? », qui ne produit parfois que des conseils, et « Modifie cette fonction pour en améliorer les performances. », qui déclenche l’action. Le texte propose deux blocs de prompt système, l’un pour intervenir par défaut, l’autre pour attendre une demande explicite [1]. Il recommande aussi de demander validation avant les opérations difficiles à inverser, comme un force push.
  • Même logique chez OpenAI : le guide GPT-6 Astra indique de considérer « peux-tu… », « je veux… » et « aide-moi… » comme des ordres d’exécution [13]. Le guide GPT-5.6 définit trois règles : analyser et informer pour les demandes d’analyse ou de planification, agir sans confirmation pour les modifications locales limitées, et exiger un accord pour les écritures externes, les actions destructives, les achats ou les extensions majeures du périmètre [8].
  • Cause 1, le modèle : OpenAI précise qu’Astra a tendance à chercher des clarifications et peut s’arrêter alors que l’utilisateur attendrait des hypothèses raisonnables. Le conseil est de finir le travail déjà validé avant de poser des questions [13]. Un article de presse spécialisée daté du 5 septembre 2026 signale qu’Astra questionne plus que GPT-5.6 Sol, sans fournir de chiffres précis [14].
  • Cause 2, l’outil et son mode : dans un fil du forum Cursor des 10 et 11 août 2026, un utilisateur décrit des fenêtres de questions à chaque tour, non stoppées par la commande /nohuman. L’équipe répond qu’il n’y a pas d’interrupteur pour les désactiver. Une règle utilisateur interdisant l’outil de questions les diminue en général sans les éliminer, et fixer un modèle différent d’Auto peut aider [15].
  • Cause 3, la politique de questions : sur un benchmark de tâches de data science ambiguës, des prompts permissifs faisaient trop interroger les agents sur les tâches claires. Des prompts conservateurs les incitaient à choisir une valeur par défaut en silence sur les tâches ambiguës [16]. Avec la politique conservatrice, Gemini 3.1 Pro questionnait sur 94 % des tâches cibles ambiguës et sur 0 % de celles entièrement spécifiées. GPT-5.4 choisissait une valeur par défaut en silence dans 100 % des exécutions de métrique ambiguës, et Claude Haiku 4.5 dans 97 %. Pour 88 % des questions de Haiku 4.5 sur les tâches cibles, il s’agissait de préférences de style.
  • Demander peut rapporter : poser d’abord une à trois questions coûtait 1,96 tour au lieu de 1,00 et obtenait 6,67 sur 8. Ce score est supérieur aux 5,67 d’un prompt brut et aux 7,50 d’une checklist. Pour Claude, le prompt de clarification (7,38) dépassait légèrement la checklist (7,25) [17]. Les notes ont été attribuées par les auteurs, sur quatre types de tâches, sans évaluateurs en aveugle. Une autre étude montre que limiter les questions à une à trois réduisait le coût d’attention de l’utilisateur de 36 à 73 %. Ce faisant, elle conservait 86 à 94 % de la récompense, sur huit modèles et quatre domaines de service client [18].
  • La forme interrogative côté utilisateur : demander à un modèle de transformer des affirmations en questions avant de répondre réduisait la complaisance plus efficacement qu’une consigne de base l’invitant à ne pas être complaisant [19]. Le résumé ne fournit aucun chiffre et ne mentionne pas la fréquence à laquelle un agent pose des questions.
Ce qui pousse un agent à s'arrêter pour poser une question à l'utilisateur Trois causes documentées mènent à une boîte où l'agent s'arrête pour demander, qui mène à une interruption pour l'utilisateur : le modèle, l'outil et son mode, et la politique de questions. Une quatrième boîte, la formulation de la demande en question ou en ordre, est reliée par une flèche en pointillés intitulée aucun test contrôlé. Trois causes documentées de questions, une non testée Le modèle GPT-6 Astra demande plus souvent que GPT-5.6 Sol (guide éditeur) L'outil et son mode Cursor : pas d'interrupteur, /nohuman n'a pas arrêté les fenêtres La politique de questions Permissive : trop de questions si clair Conservatrice : valeurs par défaut L'agent s'arrête pour demander Interruption pour l'utilisateur Formulation de la demande question ou ordre aucun test contrôlé
Figure 3. Trois causes de questions d'agent sont documentées ; la formulation de la demande, en pointillés, n'a pas été testée. Schéma conceptuel construit à partir des sources 13 à 16.

Nous n’avons trouvé aucune étude qui compare une question, un ordre et une requête indirecte sur le taux de questions posées par des agents de code, et aucune en français.

Ce qu’apporte l’interprétabilité, et ce qu’elle n’apporte pas

Les travaux d’interprétabilité donnent un mécanisme plausible pour expliquer pourquoi nommer une chose interdite la garde en partie active, avec un contrôle imparfait et sensible à la formulation, mais ils n’offrent rien de direct sur l’emphase, la répétition d’instructions ou les demandes de clarification.

  • Anthropic, juillet 2026 : en demandant à Sonnet 4.5 de se concentrer sur une idée tout en recopiant un texte sans lien, une consigne d’ignorer réduisait fortement la présence de l’idée comparée à la consigne de se concentrer, sans l’annuler totalement. La consigne d’ignorer activait elle aussi une part de l’idée [20]. Une simple évocation suffisait à déclencher l’idée presque autant qu’une consigne explicite de se concentrer. La phrase « Ne pense pas à X » éliminait moins bien l’idée que le mot « ignore » utilisé dans les tests principaux. Il s’agit d’une tâche de recopie, non d’un prompt réaliste.
  • Un préprint de mai 2026 : sur Llama-3.1-8B, avec Mistral-7B et Gemma-7B-IT pour vérifier, l’idée interdite restait accessible dans les états cachés malgré une consigne de suppression. La fuite dans la réponse chutait de 48,3 % après une mention directe pour atteindre zéro [21]. Les auteurs ne valident pas un effet d’ours blanc strict : leur hiérarchie place la mention directe au-dessus de la suppression, et la suppression très au-dessus de l’absence de mention. Les analyses sont corrélationnelles.
  • Le mécanisme de la négation : une attention des couches tardives privilégie des raccourcis simples, comme dans l’étude à six modèles citée plus haut [3].
  • Ce qui manque : nous n’avons trouvé aucune feature interne d’emphase, aucun travail sur la répétition d’une instruction dans un prompt, et aucun mécanisme lié au fait de poser une question, chez Claude ou ailleurs. La plupart des travaux utilisent de petits modèles ouverts.

Notre inférence, non publiée, est que nommer une chose la place dans le contexte et l’active partiellement. Cela rend crédible la préférence des éditeurs pour la forme positive, mais ne suffit pas à expliquer les échecs vus dans de vrais prompts.

Onze pratiques et leur degré de preuve

Ces règles proviennent de documents d’éditeurs et d’accords entre sources, non d’essais contrôlés. Chaque ligne précise donc son origine et sa force.

PratiqueBaseSolidité
Décrire d’abord le comportement vouluGuide Anthropic [1]Documentation d’éditeur, non mesurée
Si vous devez interdire, donner l’alternative et la raisonGuide Anthropic [1]Documentation d’éditeur, non mesurée
Pour un jugement ou une classification, écrire un critère d’inclusion positif plutôt qu’une liste d’exclusionsTest de terrain [7]Retour de terrain, trois exemples
Pour un garde-fou d’action, garder la forme négative et ajouter le périmètre autorisé[5], [7]Mesure et retour de terrain, petits
Éviter les majuscules et CRITIQUE ou DOIT sur les modèles Claude récents[1], [8]Documentation d’éditeur, non mesurée
Énoncer chaque règle une fois, au même endroitGuide OpenAI [8]Documentation d’éditeur, non mesurée
Rappeler en fin de prompt une contrainte de format critiqueRappel final [5]Mesure, trois modèles, plusieurs changements à la fois
Ne pas compter sur la répétition du prompt avec un modèle qui raisonneRépétition du prompt [10]Mesure sur des modèles de 2025
Utiliser l’impératif pour obtenir une action[1], [13]Documentation d’éditeur, non mesurée
Dire quelles ambiguïtés justifient une question, et quand demanderNotre inférence à partir de [13] et [16]Inférence
Si le mode d’un outil génère les questions, changer le mode ou le modèleFil Cursor [15]Retour de terrain

Deux précautions supplémentaires. Ne dédupliquez pas un fichier de prompt qui fonctionne sans comparer avant et après sur un jeu de tests, car la taille du fichier n’a montré aucun effet détectable dans une étude [11]. Et ne dites pas à un agent de ne jamais demander, car une politique de questions conservatrice a poussé certains agents à choisir une valeur par défaut en silence sur des tâches ambiguës [16].

Chiffres qui circulent et que nous n’avons pas retenus

Nous avons confronté les données reçues aux articles publiés. Nous avons supprimé les informations que les sources n’indiquent pas ou qui les contredisent. Si une donnée provient d’un texte complet que nous avons consulté, nous le mentionnons. Les autres ont été contrôlées dans le résumé.

  • « 77 % » concernant l’écart de polarité dans l’étude des dilemmes moraux : le résumé indique 24 %, jusqu’à 100 % et un écart allant jusqu’à 76 points.
  • Une baisse à 20 % au tour 25, avec des règles imposant un contenu au-dessus de 93 %, pour l’étude de l’érosion des règles : le résumé cite 33 % au tour 16 et 100 %.
  • Une progression de 80 % à 95 % des appels d’outils sûrs pour Claude Sonnet 4.5 avec un suffixe de sécurité, attribuée à un benchmark de sécurité des appels d’outils : le résumé de cet article ne l’inclut pas.
  • Environ 3 % de réussite en moins pour les fichiers de contexte créés par un modèle et environ 4 % de plus pour ceux rédigés par des humains : le résumé de l’étude précise qu’aucun des deux types n’augmente en général la réussite, avec un coût en hausse de plus de 20 %.
  • Des seuils de densité d’interdictions (10, 25, 40 ou 60 %) dans plusieurs billets de blog : aucun n’est accompagné d’une méthode, nous ne les retenons donc pas.

Lancez le test des trois formulations avant de réécrire une bibliothèque de prompts

Un test qui trancherait les questions ouvertes est simple à monter : la même tâche en trois formulations, un impératif, une question et une requête indirecte, sur des tâches claires et sur des tâches ambiguës, avec au moins deux modèles.

  • Compter : les questions posées, si la tâche a été menée à terme, et si le résultat était correct.
  • Contrôler : la même longueur et la même politesse dans les trois formulations, et le même prompt système.
  • Étendre : le même protocole vaut pour une interdiction et son équivalent positif, et pour une règle avec et sans majuscules.

Nos mots-clés de formation se testent de la même façon [22], et une règle qui compte vaut mieux appliquée en dehors du prompt que formulée plus fort [23]. En attendant que les études existent, traitez chaque pratique ci-dessus comme une tendance à vérifier sur vos propres prompts.

Sources

  1. Anthropic, Prompting best practices, documentation Claude Developer Platform, page non datée, lue le 6 novembre 2026.
  2. Shailesh Rana, ‘Semantic Gravity Wells: Why Negative Constraints Backfire’, arXiv:2601.08070, 12 janvier 2026. Hors de la fenêtre de six mois ; cité pour le mécanisme.
  3. Zhejian Zhou, Tianyi Zhou, Robin Jia et Jonathan May, ‘How Language Models Process Negation’, arXiv:2605.03052, 4 mai 2026, révisé le 29 mai 2026.
  4. Katherine Elkins et Jon Chun, ‘Framing Instability in LLM Ethical Stance: Auditing Negation Sensitivity in Moral Dilemmas’, arXiv:2601.21433, 29 janvier 2026, révisé le 8 juillet 2026.
  5. Avni Mittal, ‘Did You Forget What I Asked? Prospective Memory Failures in Large Language Models’, arXiv:2603.23530, 7 mars 2026, révisé le 11 juin 2026.
  6. Yeran Gamage, ‘Omission Constraints Decay While Commission Constraints Persist in Long-Context LLM Agents’, arXiv:2604.20911, 22 avril 2026. Un peu hors de la fenêtre de six mois ; la seule mesure d’érosion d’une règle sur un long échange que nous ayons trouvée.
  7. Anastasiia Mudra, ‘Telling AI Agents What Not to Do: Does It Actually Help?’, blog Mavka, 7 août 2026.
  8. OpenAI, Prompt guidance for GPT-5.6, documentation de l’API, page non datée, lue le 6 novembre 2026.
  9. Maximilian Dillitzer, Tin Stribor Sohn, Jason J. Corso et Michael Auerbach, ‘Attention is Case-Sensitive’, arXiv:2608.03711, 4 août 2026 (ECCV 2026).
  10. Yaniv Leviathan, Matan Kalman et Yossi Matias, ‘Prompt Repetition Improves Non-Reasoning LLMs’, arXiv:2512.14982, 17 décembre 2025. Hors de la fenêtre de six mois ; tests menés sur des modèles de 2025.
  11. Damon McMillan, ‘Instruction Adherence in Coding Agent Configuration Files: A Factorial Study of Four File-Structure Variables’, arXiv:2605.10039, 11 mai 2026.
  12. Thibaud Gloaguen, Niels Mündler-Sasahara, Mark Niklas Müller, Veselin Raychev et Martin Vechev, ‘Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents?’, arXiv:2602.11988, 12 février 2026, révisé le 29 septembre 2026.
  13. OpenAI, GPT-6 Astra, documentation de l’API, page non datée, lue le 6 novembre 2026.
  14. The Decoder, ‘OpenAI shares prompting tips for GPT-6 Astra, including a blocklist of slop words’, 5 septembre 2026.
  15. Cursor Community Forum, ‘Constant noop AskQuestions dialogs interrupt workflow’, fil des 10 et 11 août 2026.
  16. Josefa Lia Stoisser, Marc Boubnovski Martell, Sidsel Boldsen, Kaspar Märtens et Robert Kitchen, ‘Ambig-DS: A Benchmark for Task-Framing Ambiguity in Data-Science Agents’, arXiv:2605.09698, 10 mai 2026.
  17. Saurav Ghosh, ‘Less Back-and-Forth: A Comparative Study of Structured Prompting’, arXiv:2605.20149, 19 mai 2026, révisé le 4 octobre 2026.
  18. Xuanming Zhang et collègues, ‘Ask Less, Ask Better: Allocating User Attention in Proactive LLM Agents with Interruption Budgets’, arXiv:2610.24411, 17 octobre 2026.
  19. Magda Dubois, Cozmin Ududec, Christopher Summerfield et Lennart Luettgau, ‘Ask don’t tell: Reducing sycophancy in large language models’, arXiv:2602.23971, 27 février 2026, révisé le 29 juillet 2026.
  20. Gurnee, Sofroniew, Lindsey et collègues, Anthropic, ‘Verbalizable Representations Form a Global Workspace in Language Models’, 6 juillet 2026.
  21. Rebecca Ramnauth et Brian Scassellati, ‘The Attentional White Bear Effect in Transformer Language Models’, arXiv:2605.28639, 27 mai 2026 (en cours d’évaluation à EMNLP 2026).
  22. Junyr, Mots-clés pour agents IA : ce que la preuve soutient, et les dix que nous enseignons, 13 octobre 2026.
  23. Junyr, L’ingénierie de harnais : la couche logicielle qui transforme un modèle en agent, 20 septembre 2026.

Nous avons lu les résumés arXiv, et les textes intégraux quand un chiffre ne figurait pas dans le résumé, le 6 novembre 2026. Les guides d’éditeurs sont des pages non datées qui évolueront. Trois préprints (2, 6 et 10) sortent de notre fenêtre de fraîcheur de six mois et sont cités pour un mécanisme ou faute de meilleure mesure. Les citations des guides sont de courts extraits, que ce miroir français traduit. Les Figures 1 et 2 reproduisent des chiffres des articles cités, et la Figure 3 est un schéma conceptuel. Les tests de formulation proposés dans la dernière section sont notre recommandation et n’ont pas été menés.

Mots-clés
prompt engineering
négation
majuscules
répétition du prompt
questions de clarification
agents IA
suivi des consignes
interprétabilité
Claude
GPT-6 Astra
Partager sur LinkedIn Version Markdown

Questions fréquentes

Est-ce une erreur de dire à un modèle d'IA ce qu'il ne doit pas faire ?

Pas toujours. Les règles d'évitement courtes comme « pas de virgules » tenaient à 100 % ou presque sous charge dans une étude, mais les interdictions larges sont sur-appliquées, et nommer un mot interdit peut l'amorcer. Anthropic conseille de dire plutôt ce qu'il faut faire.

  • Dans une étude de 40 000 échantillons, 87,5 % des violations d'une contrainte négative étaient des échecs d'amorçage, où nommer le mot l'activait.
  • Sur six modèles ouverts, la précision sur les questions niées allait de 45,2 à 57,6 %, contre 91,8 à 96,5 % sur les versions positives.
  • Dans un petit test de terrain, un critère d'inclusion positif a supprimé une erreur de faux positif qu'une interdiction explicite ne supprimait pas.
Les majuscules et des mots comme CRITIQUE font-ils mieux suivre une règle à un modèle ?

Sur les modèles Claude récents, Anthropic indique qu'ils provoquent du sur-déclenchement et conseille une formulation simple. Une étude sur 13 modèles a trouvé que les majuscules augmentaient la précision sur des questions factuelles jusqu'à 8,95 points, mais aucune étude n'isole les majuscules sur des règles de comportement.

  • La casse alternée a coûté jusqu'à 13,96 points sur LLaMA-3.1-8B.
  • Les modèles qui raisonnent variaient typiquement de moins de 0,5 point.
  • OpenAI conseille de réserver TOUJOURS et JAMAIS aux vrais invariants.
Répéter une consigne aide-t-il ?

Répéter tout le prompt a aidé des modèles qui ne raisonnent pas, dans une étude menée sur des modèles de 2025. Un court rappel d'une contrainte de format en fin de prompt a rétabli 90 à 100 % de conformité dans de nombreux cas dans une autre. OpenAI conseille d'énoncer chaque règle une seule fois.

  • La répétition du prompt a gagné 47 tests sur 70 sans aucune perte quand le raisonnement était désactivé, et a été neutre à légèrement positive quand il était activé.
  • Le rappel final modifiait plusieurs éléments à la fois : son effet seul n'est donc pas isolé.
  • Répéter « demande d'abord » peut déclencher des demandes d'approbation inutiles.
« Peux-tu… ? » pousse-t-il un agent IA à poser plus de questions ?

Aucune étude ne le montre. « Peux-tu suggérer… » peut obtenir un conseil là où l'impératif obtient l'action, mais les interruptions que nous avons trouvées documentées viennent du modèle, de l'outil, du mode et de la politique de questions.

  • OpenAI indique que GPT-6 Astra demande plus volontiers des précisions que les modèles précédents.
  • Dans Cursor, un utilisateur rapporte que la commande /nohuman n'a pas arrêté les fenêtres de questions, et l'équipe a répondu qu'il n'existe pas d'interrupteur.
  • Une politique de questions conservatrice a poussé certains agents à choisir une valeur par défaut en silence sur les tâches ambiguës.
Paul-Antoine Tual

AI Transformation Leader · Méthode Junyr™ · Manager de transition IA pour PME et ETI françaises. Ingénieur des Mines de Nantes, juriste, développeur depuis 1993.

← Tous les articles

A2UI v1.0

Ce que voit un agent

Cette fiche est rendue ici à partir du même fichier A2UI v1.0 que celui que reçoivent les agents. Notre moteur l'habille avec la charte du site ; un autre client l'habillerait avec la sienne.

Chargement de la surface…